Académique Documents
Professionnel Documents
Culture Documents
3.1 Introducción.
El alumno sabrá distinguir los términos de: variable aleatoria, función de probabilidad,
función de distribución de probabilidad y función de distribución acumulativa de
probabilidad.
3.2.1 Introducción.
Una variable aleatoria continua, es variable porque puede tomar diferentes valores,
es aleatoria porque los valores que toma son totalmente al azar y es continua porque
puede tomar valores enteros como fraccionarios y un número infinito de ellos,
dependiendo del instrumento de medición.
Es importante señalar que así como la medida de las variables discretas es siempre
exacta, las medidas de las variables continuas son siempre aproximadas.
2
Lic. Vicente Sánchez y Ramírez
Distribuciones discretas
___________________________________________________________________________________________
La característica básica de las variables continuas es la igualdad de sus unidades
de medida. Por ejemplo si empleamos el centímetro como unidad de medida, ésta
unidad permanecerá idéntica a través de toda la escala.
Se dice que una variable aleatoria X es discreta si el número de valores que puede
tomar es exacto (ya sea finito o infinito).
Observe que la variable aleatoria X solo puede tomar los valores 0, 1, 2, y 3 pero no
más valores.
3
Lic. Vicente Sánchez y Ramírez
Distribuciones discretas
___________________________________________________________________________________________
TABLA
Xi 0 1 2 3
P(x i) 1/8 3/8 3/8 1/8
GRÁFICA
0 1 2 3 x 0 1 2 3 x
FÓRMULA
F (x) P(X x) = P( x )
xi x
i
Observe qué:
P (1 X 2) = P (X 2) – P (X 0)
= F (2) – F (0) = 6/8
E ( X ) ( X i P ( X i ))
Donde:
E (x) = valor esperado de X.
= media de X.
P (xi) = probabilidad de Xi
= letra griega que simboliza suma.
Lo anterior indica que si se lanzan tres monedas al aire una sola vez, es de
esperarse que caigan 1.5 águilas.
5
Lic. Vicente Sánchez y Ramírez
Distribuciones discretas
___________________________________________________________________________________________
En una población, la varianza es una medida de dispersión que nos cuantifica el
alejamiento de los datos con respecto a su promedio. De igual manera en una
distribución de probabilidad la varianza de la variable aleatoria X, mide la desviación
que toma la variable X con respecto al valor esperado . Su cálculo se hace a partir
de:
V ( X ) 2 ( X i2 P ( X i )) 2
V X
(X i
2
P ( X i ) = 02 (1/8) + 12 (3/8) + 22 (3/8) + 32 (1/8) = 3.
V(X) = 2
= 3 – 1.52 = 0.75
3.3.1 Introducción.
Cuando los ensayos que componen un experimento son independientes, o sea que
el resultado de un ensayo no afecta al resultado que se obtiene en cualquier otro
ensayo, además cuando la probabilidad de éxito en cada ensayo es independiente y
donde el experimento tenga solo dos resultados posibles, podemos decir que se trata
de la distribución binomial.
6
Lic. Vicente Sánchez y Ramírez
Distribuciones discretas
___________________________________________________________________________________________
Esta distribución se utiliza cuando el experimento solo presente dos tipos de
resultados, “éxito” y “fracaso”, la probabilidad de éxito permanezca constante durante
cierto tiempo y los ensayos son independientes entre sí.
El objetivo general para este tema, es que el alumno sepa identificar cuando un
problema puede ser resuelto mediante esta distribución, así mismo obtendrá la
probabilidad de un evento, la cual servirá como herramienta matemática en la toma
de decisiones en un problema en particular.
Los temas a cubrir para esta distribución de probabilidad son: función de probabilidad
de la distribución Binomial, características de esta distribución, manejo de la tabla de
distribución acumulativa, resolución de ejercicios y problemas propuestos.
7
Lic. Vicente Sánchez y Ramírez
Distribuciones discretas
___________________________________________________________________________________________
n!
P ( x, n, p ) p x q n x C xn p x q n x
x!(n x)!
En los experimentos que tienen este tipo de distribución, siempre se esperan dos
tipos de resultados, ejemplo: defectuoso, o no defectuoso; pasa, no pasa; con
calidad, sin calidad; etc.
Cada uno de los ensayos o repeticiones del experimento son independientes entre si.
8
Lic. Vicente Sánchez y Ramírez
Distribuciones discretas
___________________________________________________________________________________________
Gráfica de Distribución de Probabilidad para n = 5 y p = 0.2
0.40960
0.4
0.32768
0.3
0.20480
fx
0.2
0.1
0.05120
0.00640 0.00032
0.0
0 1 2 3 4 5
x
0.32768
0.3
0.20480
fx
0.2
0.1
0.05120
0.00032 0.00640
0.0
0 1 2 3 4 5
x
0.30
0.25
0.20
fx
0.15625 0.15625
0.15
0.10
0.00
0 1 2 3 4 5
x
9
Lic. Vicente Sánchez y Ramírez
Distribuciones discretas
___________________________________________________________________________________________
Para familiarizase con el cálculo de probabilidad mediante la función de probabilidad
Binomial, obtenga las probabilidades para cuando: x = 0,1, 2, 3,…, 6; si el tamaño de
muestra es n = 6 y la probabilidad de éxito es p = 0.2
6!
P (0;6,0.2) 0.2 0.86 0 0.2621
0
0!(6 0)!
6!
P (1;6,0.2) 0.210.86 1 0.3932
1!(6 1)!
6!
P ( 2;6,0.2) 0.2 2 0.8 6 2 0.24576
2!(6 2)!
6!
P (3;6,0.2) 0.2 3 0.86 3 0.08192
3!(6 3)!
6!
P ( 4;6,0.2) 0.2 4 0.86 4 0.01563
4!(6 4)!
6!
P (5;6,0.2) 0.2 5 0.86 5 0.001536
5!(6 5)!
6!
P (6;6,0.2) 0.2 6 0.86 6 0.000064
6!(6 6)!
0.3
0.262144
0.245760
0.2
fx
0.1 0.081920
0.015360
0.001536 0.000064
0.0
0 1 2 3 4 5 6
x
10
Lic. Vicente Sánchez y Ramírez
Distribuciones discretas
___________________________________________________________________________________________
P (x; n, p) = F (x; n, p) – F (x-1; n, p)
P (X > x) = 1 - F (x; n, p)
P (4 < x < 8) = P (x 7) – P (x 4)
= F (7; 10, 0.20) – F (4; 10, 0.20)
= 0.9999 – 0.9672
= 0.0327
P (4 x 6) = P (x 6) – P (x 3)
= F (6; 10, 0.20) – F (3; 10, 0.20)
= 0.9991 – 0.8791
= 0.12
Datos:
p = 0.05
q = 1 – 0.05 = 0.95
n=6
P (x = 2)
6!
P (2;6,0.05) 0.052 0.956 2 0.0305
2! (6 2)!
P (x = 2) = P (x 2) – P(x 1)
= F (2; 6, 0.05) – F (1; 6, 0.05)
= 0.9978 – 0.9672 = 0.0306
Aquí la característica de interés son unidades sanas, por lo que p debe darse en
porcentaje de unidades sanas (0.95) y la probabilidad requerida es P (x = 4)
12
Lic. Vicente Sánchez y Ramírez
Distribuciones discretas
___________________________________________________________________________________________
6!
P ( 4;6,0.95) 0.95 4 0.05 6 4 0.0305
4!(6 4)!
Datos:
p = 4 / 5 = 0.8
q = 1 – 0.8 = 0.2
n = 10
P (x = 6)
10!
P (6;10,0.08) 0.8 6 0.2106 0.0881
6!(10 6)!
P (x 5) = 1 – P (x 4)
= 1 – F (4; 10, 0.8)
= 1 - 0.0064
= 0.9936
c) De 5 a 8 partidos.
P (5 x 8) = P (x = 5) + P (x = 6) + P (x = 7) + P (x = 8)
P (5 x 8) = P (x 8) – P (x 4)
= F (8; 10, 0.8) – F (4; 10, 0.8)
= 0.6242 – 0.0064
= 0.6178
E(x) = = n p = 10 (0.8) = 8
13
Lic. Vicente Sánchez y Ramírez
Distribuciones discretas
___________________________________________________________________________________________
Desviación estándar. n. p.q 10(0.20)0.80 1.26 juegos.
Ejemplo 3. Un fabricante de ciertas piezas para automóviles, garantiza que una caja
de sus piezas contiene como máximo dos defectuosas. Si la caja tiene 20 piezas y la
experiencia ha demostrado que su proceso de manufactura produce el 2% de piezas
defectuosas. ¿Cuál es la probabilidad de que una caja de piezas satisfaga la
garantía?
Una caja satisface la garantía cuando tenga 0, 1 ó 2 piezas defectuosas, por lo tanto
la probabilidad requerida es P (x 2).
Datos:
p = 0.02
q = 0.98
n = 20
20!
P (0;20,0.02) 0.02 0 0.9820 0 0.6676
0!(20 0)!
20!
P (1;20,0.02) 0.0210.98 20 1 0.273
1!( 20 1)!
20!
P (2;20,0.02) 0.02 2 0.98 20 2 0.053
2!( 20 2)!
Este resultado muestra que la garantía del fabricante casi siempre se satisfará.
Datos:
p = 0.05
q = 0.95
n = 15
P(x ≥ 2)
P(x ≥ 2) = 1 – P (x 1) = 1 - F (1; 15, 0.05)
= 1 - 0.829
= 0.171
14
Lic. Vicente Sánchez y Ramírez
Distribuciones discretas
___________________________________________________________________________________________
15!
P (5;15,0.05) 0.055 0.9510 0.00056
5!(15 5)!
P (3 x 6) = P(x 6) – P(x 2)
= F (6; 15, 0.05) – F (2; 15, 0.05)
= 1 – 0.9638
= 0.0362
Ejemplo 5. La probabilidad de que cierto tipo de padres con ojos azul-café tengan un
hijo con ojos azules es de ¼. Si existen seis niños en la familia, encuentre la
probabilidad de que:
Para resolver este problema los seis niños deben tratarse como seis intentos
independientes de un evento o sea n = 6, donde la probabilidad de éxito en un solo
intento es p = 0.25 y la probabilidad de fracaso es q = 0.75.
P (x > 2) = P (x ≥ 3) = 1- P (x 2)
= 1 - F (2; 6, 0.25)
= 1 - 0.8306
= 0.1694
Existe muy poca probabilidad de que este tipo de familias tengan tantos hijos con
ojos azules, solamente el 17% de estas familias tienen más de 2 hijos con ojos
azules.
Esta probabilidad significa que cero hijos tengan ojos azules, por lo tanto la
probabilidad buscada es:
6!
P (0;6,0.25) 0.25 0 0.75 6 0.1780
0! (6 0)!
15
Lic. Vicente Sánchez y Ramírez
Distribuciones discretas
___________________________________________________________________________________________
Si la probabilidad de que tenga ojos azules es 0.25, entonces la probabilidad de que
no tenga ojos azules es 0.75. Si replanteamos la pregunta ¿cuál es la probabilidad
de que seis no tengan ojos azules?
6!
P (6;6,0.75) 0.75 6 0.25 0 0.1780
6!(6 6)!
Datos:
p = 0.38
q = 0.62
n = 1000
Como la mayoría de votos se obtiene con 501 sufragios, así que la probabilidad
requerida es P ( x 501)
P ( x 501) 1 P ( x 500)
a) La probabilidad de que una persona que curiosea compre algo durante una hora
dada. R = 0.0306
b) La probabilidad de que ninguna de las personas que curiosean compre algo
durante una hora dada. R = 0.0047
16
Lic. Vicente Sánchez y Ramírez
Distribuciones discretas
___________________________________________________________________________________________
4. Un agricultor que siembra fruta afirma que 1/3 de su cosecha de duraznos ha sido
contaminada por la mosca del mediterráneo. Encuentre la probabilidad de que al
inspeccionar cinco duraznos:
5. Se sabe que los discos producidos por una empresa salen defectuosos con una
probabilidad de 0.01. La compañía vende los discos en paquetes de diez y garantiza
el reembolso del dinero si más de uno de los diez discos sale defectuoso.
3.4.1 Introducción.
Este tipo de distribución debe ser empleada cuando: la población a investigar sea
relativamente chica, existan k unidades con la característica de interés, el muestreo
se realice sin reemplazo y la probabilidad de éxito no permanezca constante en cada
ensayo.
(k-1) / (N-1) ó (k / (N-1), según que la primera unidad sacada sea o no defectuosa y
así sucesivamente.
El objetivo general para este tema, es que el alumno sepa identificar cuando un
problema puede ser resuelto mediante esta distribución, así mismo obtendrá la
probabilidad de un evento, la cual servirá como herramienta matemática en la toma
de decisiones en un problema en particular.
17
Lic. Vicente Sánchez y Ramírez
Distribuciones discretas
___________________________________________________________________________________________
Dentro de los objetivos particulares podemos citar:
Ante este nuevo caso de muestreo sin reemplazo se tiene una nueva distribución de
probabilidad, llamada hipergeométrica, la cual se define como:
P( x; n, k , N )
C C
k
x
N k
n x
k
x
N k
n x
N
nC N
n
Las probabilidades asociadas a cada uno de los resultados no son constantes. (Todo
depende si sale o no sale el artículo con la característica de interés).
18
Lic. Vicente Sánchez y Ramírez
Distribuciones discretas
___________________________________________________________________________________________
k k N n
V ( x) n 1
N N N 1
Datos:
N = 10
n=4
k=3
P(x = 2)
P (2; 4, 3, 10) = F (2; 4, 3, 10) – F (1; 4, 3, 10)
= 0.9667 –0.6667
= 0.3
Datos: n=6
P(x = 2)
P (X x; n, k, N) = F (x; n, k, N)
19
Lic. Vicente Sánchez y Ramírez
Distribuciones discretas
___________________________________________________________________________________________
Ejemplo. Un lote de 10 artículos contiene dos defectuosos, si se toma una muestra
aleatoria de 4 de ellos, ¿cuál será la probabilidad de obtener cuando más un artículo
defectuoso?
Datos:
N = 50
n=5
k = 40
P(x = 4)
C 440 C550 4 40
P (4;5,40,50) 0.4313
C550
Lo que significa que es poco probable que cuatro artículos funcionen correctamente.
Datos:
N = 50
n=5
k = 30
P(x ≥ 2)
P(x ≥ 2) = 1- P(x 1)
20
Lic. Vicente Sánchez y Ramírez
Distribuciones discretas
___________________________________________________________________________________________
P(x ≥ 2) = 1- [P (0; 5, 30, 50) + P (1; 5, 30, 50)]
C030C550 0 30
P (0;5,30,50) 0.007317
C550
C130C5501 30
P (1;5,30,50) 0.0686
C550
Datos:
N = 40
n=8
k=2
P (x = 0)
C02C838
P (0;8,2,40) 0.6359
C840
Si un vendedor sabe que su producto pasará por una selección que verifica la
calidad, debe poner en marcha en su fábrica un control de calidad intencionado con
el propósito de minimizar el número de lotes rechazados.
C05C1095
P (0;10,5,100) 100 0.5837
C10
21
Lic. Vicente Sánchez y Ramírez
Distribuciones discretas
___________________________________________________________________________________________
C15C995
P (1;10,5,100) 100 0.3394
C10
a) ¿Cuál es la probabilidad de que se embarque una caja que tiene tres artículos
defectuosos?
b) ¿Cuál es la probabilidad de que una caja que contiene solo un artículo defectuoso
se regrese para verificación?
3.5.1 Introducción.
22
Lic. Vicente Sánchez y Ramírez
Distribuciones discretas
___________________________________________________________________________________________
La distribución Poisson es llamada así en homenaje a Simeón Denis Poisson
probabilista francés del siglo XIX, quien fue el primero en descubrirla.
El objetivo general para este tema, es que el alumno sepa identificar cuando un
problema puede ser resuelto mediante esta distribución, así mismo obtendrá la
probabilidad de un evento, la cual servirá como herramienta matemática en la toma
de decisiones en un problema en particular.
e x
P ( x, )
x!
En este tipo de experimentos los éxitos buscados son expresados por unidad de
área, tiempo, pieza, etc.
0.3
0.2 0.183940
fx
0.1
0.061313
0.015328
0.003066
0.0
0 1 2 3 4 5
x
24
Lic. Vicente Sánchez y Ramírez
Distribuciones discretas
___________________________________________________________________________________________
Gráfica de Distribución de Probabilidad para lamda = 2
0.30
0.270671 0.270671
0.25
0.20
0.180447
fx
0.15 0.135335
0.10 0.090224
0.05 0.036089
0 1 2 3 4 5
x
0.156293
0.146525
0.15
0.10
fx
0.073263
0.05
0.018316
0.00
0 1 2 3 4 5
x
e 2.2 2.2 0
P (0,2.2) 0.1108
0!
25
Lic. Vicente Sánchez y Ramírez
Distribuciones discretas
___________________________________________________________________________________________
0.243767
0.25
0.196639
0.20
0.15
fx
0.110803 0.108151
0.10
0.047587
0.05
0.017448
0.005484 0.001508
0.00
0 1 2 3 4 5 6 7 8 9
x
P ( X x ) F ( x; ) F ( x 1; )
P( X x) F ( x; )
P ( x 3) F (3;3.5) 0.5366
P ( X x ) 1 F ( x; )
P ( x 5) P ( x 6) 1 F (5;3.7)
= 1 - 0.8301
= 0.1699
26
Lic. Vicente Sánchez y Ramírez
Distribuciones discretas
___________________________________________________________________________________________
Datos:
= 2.5
P (x = 0)
e 2.5 2.5 0
P (0,2.5) 0.0821
0!
P (x = 2)
e 2.5 2.5 2
P ( 2,2.5) 0.2565
2!
np 5(0.5) 2.5
Ejemplo 2. A una constructora llegan camiones de carga a una razón media de 2.8
camiones por hora. Obtenga la probabilidad de tener tres o más camiones que
lleguen en un:
a) Lapso de 30 minutos.
2.8 camiones / 60 minutos = 0.04666 camiones por minuto = p. Por lo tanto los
camiones promedio que llegarán en 30 minutos es = 30(0.04666) = 1.4
Datos: n = 30
= 1.4
P (x 3)
P ( x 3) 1 P ( x 2)
P ( x 3) 1 P ( x 0) P ( x 1) P ( x 2)
e 1.41.40
P (0,1.4) 0.2466
0!
e 1.41.41
P (1,1.4) 0.3452
1!
27
Lic. Vicente Sánchez y Ramírez
Distribuciones discretas
___________________________________________________________________________________________
e 1.41.4 2
P ( 2,1.4) 0.2417
2!
Datos:
= 2.8
P (x 3)
P ( x 3) 1 P ( x 2)
P( x 3) 1 P( x 0) P( x 1) P( x 2)
P ( x 3) 1 (0.0608 0.1703 0.2384)
P ( x 3) 0.5305
2.8 camiones entre una hora es igual a 2.8 que es igual a p. Entonces tenemos que
= 2.8 (2) = 5.6
Datos:
= 5.6
P (x 3)
P ( x 3) 1 P ( x 2)
P( x 3) 1 P( x 0) P( x 1) P( x 2)
P( x 3) 1 (0.0037 0.0207 0.0580)
P ( x 3) 0.9176
El avión puede explorar una superficie de 1,000 millas por 10 de ancho por 3 días
(1000 X 10 X 3) = 30,000 millas cuadradas.
P ( x 1) 1 P ( x 0)
e 0.3 0.30
P ( x 1) 1
0!
P ( x 3) 1 0.7408 0.2592
Ejemplo 4. En un oleoducto ocurren dos fugas por cada 100 millas. ¿Cuál es la
probabilidad de hallar?
La probabilidad de obtener una fuga por milla es de p = 2 / 100 = 0.02. Por lo tanto el
número promedio de fugas en las 500 millas será = 500 (0.02) = 10.
Datos:
= 10
P (x = 7)
e 10107
P ( x 7) 0.0901
7!
P ( x 20)
P ( x 20) 1 P ( x 19)
P ( x 20) 1 F (19;10)
P( x 20) 1 0.9965 0.0035
P( x 2) 1 P ( x 1)
P( x 2) 1 P( x 0) P( x 1)
P ( x 2) 1 (0.0273 0.0984)
P ( x 2) 0.8743
Esta es una probabilidad alta, la cual debería ser tomada muy en cuenta.
29
Lic. Vicente Sánchez y Ramírez
Distribuciones discretas
___________________________________________________________________________________________
1. Entre las 2 y las 4 de la tarde, el número promedio de llamadas telefónicas por
minuto que entran al conmutador de una empresa es de 2.5. Encuentre: a) La
probabilidad de que en un minuto haya 2 llamadas telefónicas. b) La probabilidad de
que en 2 minutos haya 3 llamadas telefónicas. Ra = 0.2565, Rb = 0.1404
6. El volcán Lakie en Islandia hizo erupción por última vez en abril de 2010,
paralizando los vuelos de toda Europa y trayendo como consecuencia enormes
pérdidas económicas. Si este volcán hace erupción en promedio una vez cada cinco
años, obtenga:
a) La probabilidad de que haga dos erupciones en los próximos seis años.
b) La probabilidad de que haga tres o más erupciones en los siguientes ocho años.
Datos:
=1
P (x 2)
P (x ≤ 2) = F (2; 1) = 0.9197
Los cálculos que tienen que realizarse para calcular esta probabilidad mediante la
distribución binomial, cuando n = 100, p = 0.01, cuando P (x 2) son:
2
P ( x 2) Cin 0.01i 0.99ni
i 0
b) La probabilidad de que sea rechazado el lote. Para este caso la probabilidad será
P(x > 2)
P( x 2) P( x 3) 1 P( x 2)
P ( x 2) 1 F ( 2;1)
P ( x 2) 1 0.9197 0.0803
Aquí vemos que n es grande y p es pequeño, por lo que podemos aproximar por la
Poisson utilizando a = 4000 (0.001) = 4.
Datos:
=4
P (x 6)
6
e 4 4 i
P ( x 6) F (6;4) 0.8893
i 1 i!
Datos:
= 100(0.036) = 3.6
P (x 5)
P (x 5) = F (5; 3.6)
= 0.8441
n
La aproximación es excelente cuando la razón es pequeña, digamos menor que
N
k
0.1 y p
N
Datos:
N = 200
n = 10
k=8
P(x = 1)
C18C1020018
P (1;10,8,200) 0.2878
C10200
32
Lic. Vicente Sánchez y Ramírez
Distribuciones discretas
___________________________________________________________________________________________
n 10
Dado que 0.05 es pequeño, además N ≥ 10n si se cumple (200 ≥ 10(10)),
N 200
nos podemos aproximar por medio de la distribución binomial, considerando a
k 8
p 0.04
N 200
10!
P (1;10,0.04) 0.0410.9610 1 0.2770
1!(10 1)!
Datos:
N = 200
n = 12
k = 40
P(x = 3)
C340C9160
P(3;12,40,200) 0.243614
C12200
Datos:
n = 12
p = 0.20
q = 0.80
P(x = 3)
12!
P (3;12,0.20) 0.20 3 0.80123 0.2362
3!(12 3)!
3.8.1 Introducción.
33
Lic. Vicente Sánchez y Ramírez
Distribuciones discretas
___________________________________________________________________________________________
Por ejemplo la producción de un artículo se clasifica como superior, medio e inferior;
cuando la calificación de estudiantes se juzga dando la letras A, B, C, D; o cuando un
experimento se juzga terminado con éxito o inconcluso.
El objetivo general para este tema, es que el alumno sepa identificar cuando un
problema puede ser resuelto mediante esta distribución, así mismo obtendrá la
probabilidad de un evento, la cual servirá como herramienta matemática en la toma
de decisiones en un problema en particular.
n!
P ( x1 , x 2 ,..., x k ) p1x1 p 2x2 ... p kxk
x1!, x 2 !,..., x k !
k
Donde: x1 = 0, 1, 2,…; x2 = 0, 1, 2,……, xk = 0, 1, 2,…; y la x
i 1
i n
k
Dentro de sus principales características podemos citar:
x
x i
i n
Al llevar a cabo un experimento con esta distribución se esperan más de dos tipos de
resultados.
E ( X i ) np i V ( X ) 2 npi q i
Ejemplo 1. Se fabrican lápices mecánicos por medio de un proceso que implica una
gran cantidad de mano de obra en las operaciones de ensamblado. Éste es un
trabajo altamente repetitivo y hay un pago de incentivo. La inspección final ha
revelado que el 85% del producto es bueno, el 10% defectuoso pero que puede
reelaborarse y el 5% es defectuoso y se desecha. Estos porcentajes se mantienen
constantes en el tiempo.
Datos:
n = 20, x1 = 18, x2 = 2, x3 = 0, p1 = 0.85, p2 = 0.10 y p3 = 0.05
P( xi 18, 2, 0)
20!
P (18,2,0) 0.8518 0.10 2 0.05 0 0.1019
18!2!0!
Datos:
n = 6, x1 = 1, x2 = 2, x3 = 0, p1 = 0.20, p2 = 0.70 y p3 = 0.10
P ( xi 1, 2, 3)
6!
P (1,2,3) 0.2010.70 2 0.103 0.0059
1!2!3!
Ejemplo 3. Los ladrillos de vidrio defectuosos se clasifican en una fábrica por: que
tengan rupturas, estén decolorados o ambas cosas. Si las probabilidades respectivas
son: 0.50, 0.40 y 0.10 respectivamente, hallar la probabilidad de que 6 de entre 10 de
estos ladrillos tengan rupturas, 3 estén decolorados y 1 presente ambos defectos.
Datos:
n = 10, x1 = 6, x2 = 3, x3 = 1, p1 = 0.50, p2 = 0.40 y p3 = 0.10
P ( xi 6, 3, 1)
35
Lic. Vicente Sánchez y Ramírez
Distribuciones discretas
___________________________________________________________________________________________
10!
P (6,3,1) 0.50 6 0.40 3 0.101 0.0838
6!3!1!
3. Según una encuesta preliminar acerca del voto que los ciudadanos darán por los
candidatos para gobernador del estado se ha detectado que aproximadamente un
52% votará por el partido verde, un 40% por el partido azul y un 8% por los partidos
restantes, si se seleccionan aleatoriamente seis personas con edad de votar,
determine la probabilidad de que:
a) Dos voten por el partido verde, uno por el azul y tres por el resto de los partidos.
b) Dos voten por el partido verde y cuatro por el azul. R a = 0.0033 y Rb = 0.1038
3.9.1 Introducción.
El objetivo general para este tema, es que el alumno sepa identificar cuando un
problema puede ser resuelto mediante esta distribución, así mismo obtendrá la
probabilidad de un evento, la cual servirá como herramienta matemática en la toma
de decisiones en un problema en particular.
Donde:
P(x) = probabilidad de que ocurra un éxito en el ensayo x por primera y única vez.
p = probabilidad de éxito
q = probabilidad de fracaso
Ejemplo 1. Se lanza al aire una moneda cargada, ocho veces; de tal manera que la
probabilidad de que aparezca águila es de 2/3, mientras que la probabilidad de que
aparezca sello es de 1/3. Determine la probabilidad de que en el último lanzamiento
aparezca un águila.
Como lo que nos interesa es que aparezcan siete sellos seguidos y por último un
águila los resultados quedan de esta forma:
S S S S S S S A
Resolviendo el problema del ejemplo que tenemos con la función de probabilidad es:
Datos:
x= 8
p = 2/3
q = 1/3
P (x = 8) = (1 / 3)8 -1 (2 / 3) = 0.0003048
Datos:
x= 6
p = 0.05
q = 0.95
P(x = 6) = (0.95)6 -1 (0.05) = 0.03869
38
Lic. Vicente Sánchez y Ramírez
Distribuciones discretas
___________________________________________________________________________________________
x= 5
p = 0.95
q = 0.05
P(x = 5) = (0.05)5-1 (0.95) = 0.0000059
Datos:
x= 6
p = 0.20
q = 0.80
P (x = 6) = (0.80)6 -1 (0.20) = 0.0655
Distribución Binomial.
40
Lic. Vicente Sánchez y Ramírez
Distribuciones discretas
___________________________________________________________________________________________
Para ilustrar el uso de Minitab tomaremos el ejemplo de la página 9 donde: el tamaño
de muestra es n = 6, la probabilidad de éxito es p = 0.2 y las probabilidades para la
variable aleatoria son x = 0, 1, 2, 3, 4, 5, 6.
C1 C2
x fx
1 0
2 1
3 2
4 3
5 4
6 5
7 6
De manera análoga, usted puede obtener las gráficas para cualquier distribución de
probabilidad que desee, haciendo los cambios pertinentes en función de dicha
distribución.
Distribución Hipergeométrica.
Distribución Poisson.
Para ilustrar el uso de Minitab tomemos el ejemplo 5 de la página 30, sobre las
explosiones en los ductos de PEMEX. Donde la probabilidad solicitada es P( x 2) y
el promedio es = 3.6. Como Minitab no da la probabilidad mayor a un número,
tenemos que solicitar la probabilidad menor a ese número y posteriormente obtener
el complemento.
42
Lic. Vicente Sánchez y Ramírez
Distribuciones discretas
___________________________________________________________________________________________
Distribución Geométrica.
Para ilustrar el uso de Minitab tomemos el ejemplo 3 de la página 39, sobre una
compañía constructora de pozos. Donde la probabilidad solicitada es P ( x 5) y la
probabilidad de éxito es p = 0.20.
43
Lic. Vicente Sánchez y Ramírez
Distribuciones discretas
___________________________________________________________________________________________
Al estar trabajando con alguna distribución de probabilidad en particular y desea
realizar cambios en una de las celdas para obtener una nueva probabilidad, recurra
al icono Editar último diálogo (Ctrl+E) de la barra de herramientas de Minitab.
Distribución Binomial.
Para ilustrar su utilización tomaremos el inciso a del ejemplo 1 que está en la página
12, de una máquina Cartell-bill que produce engranes defectuosos. Donde la
probabilidad requerida es P ( x 2) , el tamaño de muestra es 6 y la probabilidad de
éxito es p = 0.05. Los pasos a seguir son los siguientes.
Distribución Hipergeométrica.
Distribución Poisson.
Para ilustrar el uso de Excel tomemos el ejemplo 5 de la página 30, sobre las
explosiones en los ductos de PEMEX. Donde la probabilidad solicitada es P( x 2) y
el promedio es = 3.6. Como Excel no da la probabilidad mayor a un número,
tenemos que solicitar la probabilidad menor a ese número y posteriormente obtener
el complemento.
45
Lic. Vicente Sánchez y Ramírez
Distribuciones discretas
___________________________________________________________________________________________
Excel le da la probabilidad de 0.12568912 que es la probabilidad de P ( x 1) , por lo
tanto la probabilidad requerida P( x 2) =1 – 0.1257 = 0.8743.
46